0 引言
我国人工智能企业深度求索在2024年12月发布Deepseek V3基础大模型，在2025年1月发布Deepseek R1推理模型，以其高性能、低成本、深开源的特征引发全球关注，在海内外掀起一轮Deepseek热潮，引发各方面的思考与热议。全球顶级科技期刊Nature和Science均在今年1月份刊登了关于Deepseek主题的文章
[1-2]，其中Nature发表的新闻指出，尽管美国的出口管制限制了中国公司获得专为 AI 处理设计的最佳计算机芯片，但中国仍成功制造了 Deepseek R1，证实高效利用资源比单纯的计算规模更重要。根据各维度的测评基准，Deepseek R1在性能上总体达到与OpenAI o1等顶尖大模型相当的性能水平。具体而言，Deepseek R1模型在2项数学能力（AIME 2024、MATH-500）的测评中得分高于OpenAI o1模型；在2项代码能力（Codeforces、SWE-Bench Verified）的测评中则各有优劣，但均仅有0.3分的微小差距；在科研领域和通用领域的推理能力（GPQA Diamond、MMLU）测评中，Deepseek R1模型则以微弱劣势低于OpenAI o1模型；在Vectara HHEM人工智能幻觉测试中，DeepSeek R1显示出14.3%的幻觉率，超过了12.8%的行业基准线。尽管仍不完美，但Deepseek在将性能水平逼近全球领先大模型的同时，以一系列技术开发和商业模式上的创新性探索将大模型训练和推理成本大幅降低，其意义不仅体现在技术上的突破，更在于对全球AI生态、产业格局和规模应用的深远影响，将加速推动人类社会进入一个更开放、更包容的智能时代。
1 Deepseek对人工智能发展范式和生态系统的变革性影响
1.1 Deepseek对人工智能发展范式的变革性影响
Deepseek通过稀疏混合专家模型（MoE）等架构优化、MLA多头潜在注意力机制等算法创新、FP8混合精度框架等训练策略和GRPO强化学习等微调技术，实现模型逻辑推理能力的跃迁
[3]。客观来讲，尽管Deepseek在技术性能上并没有突破已有顶尖大模型的水平，但Deepseek的出现对人工智能技术产业的发展产生了深远且多维的影响，这突出表现在对人工智能发展范式的三重变革性影响。
1.1.1 突破既有范式，推动效能革命
在预训练阶段的规模法则（scaling law）遭遇瓶颈后，OpenAI o1模型将规模法则由预训练阶段延伸至推理阶段，为人工智能打开发展新路径的同时，也带来了资源消耗进一步增加等问题。如果沿这一路线继续发展，人工智能大模型将更加依赖英伟达的高端GPU芯片，不仅使得算法技术的进步受制于硬件性能的提升，更导致其他各国的人工智能发展受制于美国
[4]。而Deepseek R1以更加高效的方式复现了o1模型的多阶段scaling law，打破了人工智能发展依赖算力堆砌的传统路径，也打破了依赖高端芯片的算力霸权，使AI技术从“硬件竞赛”转向“算法创新”。这背后依赖多重技术创新。首先，Deepseek R1利用稀疏混合专家模型（MoE）提高了计算效率，在模型推理过程中仅需调用不足4%的神经网络参数
[5]；其次，利用FP8混合精度框架优化训练策略，提高训练速度、减少内存占用、降低能耗与成本、提升模型泛化能力，为模型训练提供了显著的性能提升和成本节约；再次，利用GRPO强化学习技术提高训练稳定性，通过对一组采样的相对比较来进行评价，而非基于绝对的评价标准，从而避免了维护一个与策略模型大小相当的价值网络，在减少计算负担的同时保持了策略分布的稳定性；最后，利用多头潜在注意力机制（MLA）提高推理过程中的资源利用率，MLA是通过低秩联合压缩技术，减少了推理时的键值（KV）缓存，从而在保持性能的同时显著降低了内存占用。
1.1.2 加速技术普惠，引发成本革命
技术优化推动Deepseek在性能接近领先模型的同时，极大降低了训练和推理成本。其中，在模型训练阶段，Deepseek V3的直接训练成本仅为557.6万美元
[6]，即使考虑到服务器资本支出、运营成本等因素，其最终成本也不会超过国外同等水平大模型的1/10。在模型推理方面，截至2025年2月，Deepseek-R1的API定价为每百万输入tokens（缓存命中）1元，每百万输出tokens为16元，而OpenAI的o3-mini输入（缓存命中）、输出每百万tokens的定价，折合人民币分别为4元和31元
[7]。与此前的成本下降相比，Deepseek直接降低了领先大模型的成本，而不是技术更为成熟的原有模型成本。后者如斯坦福大学在《2025年人工智能指数报告》中给出的案例，实现GPT-3.5水平所需的成本不断下降
[8]，而Deepseek降低的则是实现OpenAI o1水平所需成本。继Deepseek之后，中美多家人工智能企业在领先水平的模型成本控制方面持续跟进。如在相近性能下，阿里巴巴新一代大模型QwQ-32B、谷歌Gemma 3模型的成本进一步降至Deepseek R1的约1/10。
1.1.3 降低行业门槛，推动开源革命
首先，Deepseek证明了将开源作为企业核心经营模式的可行性。在技术水平上，Deepseek的发布改变了以OpenAI为代表的闭源大模型企业在技术上长期居于领先地位的局面，由此使开源模型，特别是一款低成本的开源模型达到了接近闭源领先产品的水平
[9]。在商业模式上，Deepseek采取了“开源+B端收费”的策略
[10]，据Deepseek官方数据，其理论日收入高达56.2万美元（约合人民币409万元），利润率高达545%，并且据Deepseek CEO梁文锋称，其API服务实际上也是盈利的。其次，与此前的主流开源大模型相比，Deepseek不仅对外公开模型权重，还采取更加深入、全面的开源模式，带动行业发展应用的外溢效应更加显著。从技术进步角度看，2025年2月，Deepseek以“开源周”的形式连续5 天开放核心技术代码库，从底层通信库、计算优化到终端模型，构建了完整的技术栈开放生态。从行业应用角度看，Deepseek采用MIT开源协议，允许企业直接集成Deepseek R1至商业产品，无需支付任何授权费用，极大降低了企业应用AI技术的门槛。
1.2 Deepseek对人工智能生态系统的变革性影响
Deepseek的技术突破路径和商业模式创新不仅重塑了行业格局，还推动了全球人工智能生态系统的变革。
1.2.1 重塑产业生态：推动AI从“巨头游戏”向“多元参与”转变
Deepseek的崛起对人工智能产业格局产生深远影响。从科技巨头角度看，其对人工智能产业生态的主导能力被进一步削弱。在本轮人工智能热潮中，OpenAI、Anthropic等AI领域头部初创企业与科技巨头间形成了分工合作模式，即头部初创企业在技术创新上先行先试，科技巨头在应用落地上发挥渠道资源优势，科技巨头对创新的主导作用较互联网技术革命时期出现下降趋势
[11]。而Deepseek作为开发出全球顶尖大模型的头部初创公司中首家未与科技巨头形成投资、绑定关系的企业，使得科技巨头主导力的下降或成为趋势。从其他初创企业角度看，Deepseek的低成本、深度开源特性也冲击了部分初创企业生存空间，如依赖高成本闭源模型的AI“六小虎”面临估值调整，其中部分企业转向专注垂类应用，放弃对基础模型的预训练或将其并入合作的科技巨头企业。行业“洗牌”在技术产业革命演进中是必经的过程，但其阶段性影响仍需被关注
[12]。
1.2.2 重塑应用生态：推动AI从“通用智能”向“场景智能”转变
在Deepseek崛起前，国内生成式AI在场景应用中存在“浮于表面”的问题。由于此前国内开源模型的技术性能相对落后，同时受限于闭源模型相对较高的API成本和技术壁垒，与海外开源模型对中文场景的语义理解、行业术语的适配性不足，我国对生成式AI的应用主要表现为对话功能在不同形式下的应用，与各类场景的内在需求结合不足。因此，在很多场景下，发挥主要作用的依然是专用AI模型，如工业上在质检等环节依赖专用AI，而在最终结果的输出上仅将生成式AI作为用户交互界面。而Deepseek可以在较低成本下实现本地化部署，并且具有全球一流的推理能力，显著改善了这一问题。浙江大学《Deepseek行业应用案例集》披露，在农业领域，山东寿光某家庭农场借助Deepseek制定、调整灌溉计划和施肥方案，实现节水40%，同时提高番茄产量18%；在制造业领域，富士康在智能手机组装线引入Deepseek技术，协调超过2000台机器人协同作业，使iPhone主板贴片环节节拍时间缩短12%，产能提升至120万台/天
[13]。但由于Deepseek仍存在幻觉、不可解释性等内在缺陷，在部分行业的应用中也引发一定治理挑战
[14]。
1.2.3 重塑全球生态：推动AI从“美国垄断”向“全球普惠”转变
过去仅有中美等少数国家能承担大模型训练，而Deepseek让更多国家可基于开源模型定制本土化人工智能，体现本国价值观与实际需求。同时，为发展中国家提供了技术追赶的范本，减少了对西方技术的依赖，使大模型不再是少数国家的特权。其成功不仅体现在技术突破，更在于推动全球智能资源的公平分配，为缩小数字鸿沟提供了可复制的中国方案。但与此同时，技术领先地位受到威胁的美国也迅速推动多项措施，加剧对我国打压，并得到部分盟友响应。美国、澳大利亚等国禁止在政府设备上使用Deepseek，澳大利亚禁令得到悉尼大学等高校效仿。美国参议院正在推动的《美中人工智能能力脱钩法案》，则意图从技术、人才、投资等层面彻底停止美国与中国在人工智能领域的合作。
2 后Deepseek时代人工智能治理新趋势
后Deepseek时代，伴随人工智能发展范式和人工智能生态系统的深刻变革，人工智能治理的理念、框架和范式也将发生深刻变化，这突出体现在以下几个方面的新趋势。
2.1 治理理念：竞争性监管松绑与平衡性监管回归的博弈
Deepseek的出现及其带来的轰动性影响，不仅使美国各界因其引以为傲的代差优势被中国大幅缩小而感到紧张，也使欧洲等其他地区看到了发展本土人工智能技术产业的希望与信心。根据美国斯坦福大学“以人为本人工智能研究院”发布的《2025年人工智能指数报告》，尽管美国仍然是全球顶尖AI模型的“生产大户”，2024年发布了40个值得关注的模型，远超中国的15个和欧洲的3个，但以通义千问、Deepseek为代表的中国AI模型在“质量”上正在快速追赶。在MMLU（多任务语言理解）、HumanEval（编程任务测评）等关键基准上，中美顶尖模型之间的性能差距已从2023年的2位数迅速缩小至2024年的近乎持平，部分基准差距仅为个位数甚至零点几
[8]。
在来自中国科技产业的竞争压力下，美欧等西方国家在AI战略和政策方面做出重要转变。从美国看，特朗普政府将“技术发展优先于安全约束”作为政策基调，于2025年1月23日签署专项行政令《去除AI领域美国领导力的障碍》，撤销拜登政府于2023年10月30日发布的关于人工智能的行政令，并重新审查联邦各部门基于该行政令出台的政策，全面清理阻碍AI创新的监管政策，消除对AI发展的政策障碍，推动美国在AI领域的全球领导地位
[15]。从欧盟看，2025年1月29日发布的《欧盟竞争力指南》确立“去冗余、重减负”的监管目标，随即撤回《人工智能责任指令》，通过消除与《人工智能法》《产品责任指令》的功能重叠，减轻企业证明责任。2025年3月11日，欧盟进一步公布《通用目的人工智能行为准则》第三次草案，首次明确开源模型豁免规则，并允许中小企业简化合规报告文档
[16]。2025年2月初，在巴黎召开的全球AI峰会将主题由“安全”改为“行动”也展现了这一转变趋势。
与此同时，也要认识到这一转变背后各国政策的权宜性，以及竞争性放松监管可能带来的危害。美西方部分性的AI监管放松是技术成熟前或处于加速突破期的博弈常态
[17]。根据OpenAI测算显示，通用人工智能发展曲线将在2026—2030年进入陡峭上升期。但技术奇点临近或将触发集体安全焦虑
[18]，重大AI风险事件可能迅速逆转当前“竞争性放松监管”态势。过度追求人工智能创新优先恐引发社会对部分应用场景下失控的担忧，如群体智能技术的分布式决策特性加剧系统性风险预测难度，人类决策权的过度让渡更埋下深层治理隐患。各国在监管博弈窗口期加速技术卡位，实为争夺未来国际规则制定权的战略前奏
[19]。从长远来看，具有竞争优势的监管架构或将对未来AI技术发展和规则话语权产生决定性影响，如何平衡好发展与安全的关系仍然是对各国治理能力的重大考验，谁能率先构建“风险可管控、创新可持续、规则可输出”的平衡性监管规则，谁就更可能在未来的系统性竞争中胜出。
2.2 治理范式：从中心化治理到分布式协同的转变
以Deepseek为代表的开源技术产业生态的崛起将对人工智能治理产生深远影响，其核心在于通过技术共享、社区协作和透明化推动人工智能治理范式的转变，不仅降低了AI开发部署的门槛，更重构了AI治理的权力结构，推动数字治理模式从“中心化控制”向“分布式协同”转变。
在以往对互联网平台的治理中，由于存在平台企业这个强有力的中心节点，因此，可以从云端部署、平台规则、账户管理、算法推荐等层面采取一系列中心化管控的举措，使得平台对生态系统的掌控力强而有力。由此，政府与互联网平台等少数主导企业形成委托代理关系，由其采取“中心化控制”的模式对产业生态进行治理。在开源生态下，技术的新特征要求在人工智能产业的治理中，政府、基座模型企业、下游开发者、最终使用者等多元主体能基于自身需求参与治理，形成更具韧性的智能生态
[20]。未来，随着联邦学习、边缘算力等技术的深化，分布式协同治理或将成为在人工智能领域平衡发展与安全的关键路径。
这将带来2个方面的影响。一方面，增强了治理的透明度。一般而言，开源模型要求公开代码、数据来源和训练过程，使AI系统的决策逻辑可被审查和验证。这种技术透明性和社区的动态创新使偏见和伦理问题更易被发现和修正
[21]。例如，开发者可通过开源代码审查AI系统的种族或性别偏见，公开训练数据的伦理审查结果，提升算法公平性。另一方面，也增加了治理的复杂性，降低了技术滥用风险的可控性。Deepseek的深度开源和低成本部署等特性，使其被第三方技术滥用的风险大大增加
[22]，更容易被用于制造虚假信息、深度伪造内容甚至恶意代码。例如，其开源模型若未严格审核即被第三方开发者部署或调用，可能生成含有偏见或误导性的内容，加剧社会信任危机。未来，开源与去中心化治理的结合将推动AI技术向更开放、包容且可持续的方向发展，但需平衡创新激励与风险防控。
2.3 治理体系：分级分类敏捷治理从框架到实践的加速
近年来，全球政策制定者不断加大对AI治理的关注，探索构建适应AI特点的新型治理体系。例如，截至2025年3月19日，美国各州2025年AI立法提案已达894项，超过2024年全年总和。但总体来看，多数主要国家的AI立法体系还是碎片化的，欧盟则是少数在全球率先建立起相对完善的AI法治体系的经济体。欧盟AI法律框架以《人工智能法案》为核心，以风险评估等级为依据采取分类监管措施，即根据不同风险等级（不可接受风险、高风险、有限风险、低或极小风险4类）设定不同的义务和要求。其中，高风险领域（如医疗、教育、招聘、关键基础设施等领域）对AI系统提出强制性数据偏见检测、人工监督、可追溯性等要求，以防止算法歧视或决策失误导致的严重后果
[23]。欧盟这套分级分类监管体系以保护人权、风险可控、伦理优先为核心，旨在通过差异化措施实现精准监管。
以Deepseek为代表的开源模型的突破，进一步驱动了人工智能技术演进的强迭代性，尤其在多模态能力、推理优化和行业适配方面加速技术扩散，人工智能开源模型的迭代速度已进入“季度级”甚至“月度级”周期。2024年12月，清华大学刘知远教授团队提出了大模型的密度定律，认为每过约100天，就能用参数量减半的模型达到当前最先进模型的性能水平。这意味着未来推理成本还会快速降低，应用范围还会迅速扩大，加快构建适应性敏捷治理体系的紧迫性日益提升
[24]。与此同时，我们对AI技术能力的上限仍无法预测，AI应用的产品或服务形态（如AI数字人、AI Agent、AI机器人等）才刚刚展开，我们对未来可能性的了解存在太多未知。在这种情况下，如何根据本国实践，结合AI系统的技术特性、场景特点、风险特征等多维度因素，构建适应性更强的分级分类治理体系，推动敏捷治理框架完善和具体落地，将越来越成为全球政策制定者面临的重要课题，治理体系的探索完善将进入加速期。
2023年7月，我国发布了《生成式人工智能服务管理暂行办法》，这是我国AI领域第一个比较系统性的治理框架，确立了对生成式人工智能服务实行包容审慎和分类分级监管的原则，并要求有关主管部门针对生成式人工智能技术特点及其在有关行业和领域的服务应用，完善与创新发展相适应的科学监管方式，制定相应的分类分级监管规则或者指引。这体现了我国在AI治理体系构建上的敏捷性，但目前我国AI治理体系仍然是一个相对粗放的监管框架，适应性、精准性和落地性仍然有待在实践中不断被丰富和完善。
2.4 全球治理：裂痕加剧与两股修复力量的拉锯
全球科技竞争和规则主导权的博弈正在进一步加剧全球AI治理的裂痕。美国副总统万斯在2025年2月的巴黎AI峰会上公开抨击欧盟监管政策，称美国不能也不会接受这种对美国科技公司加大限制的做法。此外，主办和联合主办了两届AI峰会的英国，此次主要领导人未出席巴黎峰会，且与美国一起拒绝签署峰会公报，也凸显其与法国等其他国家的分歧。联合国在人工智能治理领域积极作为，但美国拒绝伦理对话、坚持单边主义、行动背离承诺等行径，严重破坏了全球AI治理的协调与合作。正如《全球人工智能治理倡议》所强调的，人工智能治理攸关全人类命运，是世界各国面临的共同课题。在全球AI治理裂痕不断积聚的同时，以Deepseek为代表的高性能、低成本开源大模型的出现，推动两股力量成为修复全球AI治理裂痕的重要动力。
1）开源生态参与者在全球治理协调中的重要作用日益凸显。开源大模型的发展极大提升了全球AI治理的可协作性，开源生态中全球AI开发者的参与和协作，通过技术共享、标准制定、伦理实践和政策对话等多维度，推动全球AI治理的协调。开源项目通过开放代码和模型，为各国开发者提供一致的技术基础，减少因技术差异导致的治理冲突，加快模型漏洞被发现和弥补的速度，推动技术的标准化和安全化。同时，模块化架构又允许不同国家根据需求定制解决方案，同时确保核心模块的兼容性，促进跨区域协作与互操作性
[25]。全球开发者的密切协作将不仅加速AI技术的创新，还将推动全球AI治理框架的透明化、标准化、包容性和跨国协同，为构建“负责任的人工智能”提供实践路径。
2）发展中国家在全球治理中的参与积极性日益提升。作为一种具有掀起新一轮工业革命潜质的通用目的技术，人工智能的发展将从根本上改变人类生产生活方式
[26]。在数量上占据全球绝对多数人口的发展中国家也将在人工智能治理中发挥越来越重要的作用。目前，发展中大国在人工智能治理中的关键作用已得到国际社会广泛认可。中国在第七十八届联合国大会上提出的《加强人工智能能力建设国际合作》决议获得143国联署，成为首个聚焦AI能力建设的全球共识文件
[27]。此外，更多发展中国家也在合作制定区域性治理框架。例如，2024年2月，东盟发布《东盟人工智能治理与伦理指南》，阐述东盟采取低干涉、灵活治理的方法，应对东盟成员国之间发展差距带来的挑战
[28]。
3 结论
Deepseek的出现不仅展现了我国在人工智能领域的技术实力，同时也展示了低成本、高效率技术路线的可能性，通过效能革命、成本革命和开源革命重塑了人工智能产业生态、应用生态和全球生态，为全球人工智能产业带来了新的发展方向和治理思考，推动了人工智能发展与治理范式的深刻转变。与此同时，技术的高歌猛进也呼唤更精细、可落地的治理框架。唯有通过政策创新、技术工具与国际协作的深度融合，才能实现“智能向善”的终极目标。
PDF
(2127KB)
